在cntk中定义自己的损失和分类错误

【问题标题】：Define own loss and classify error in cntk在cntk中定义自己的损失和分类错误
【发布时间】：2017-08-28 08:30:13
【问题描述】：

我知道人们通常使用下面的损失和错误来训练

ce = cross_entropy_with_softmax(z, label_var) 
pe = classification_error(z, label_var) 
trainer = Trainer(z, (ce, pe), ...)

我们可以覆盖或定义自己的损失和错误方法吗？我们真正需要的是在计算损失和误差时添加权重。例如，我们有 4 个类，重要的是（更大的权重）不要将第一个类误分类为其他类，反之亦然，但如果它在最后 3 个类中错误分类，则不那么重要（更小的权重）。在cntk中处理它的最佳方法是什么？

【问题讨论】：

【解决方案1】：

是的，任何 CNTK 表达式都是有效的损失或错误：这里是交叉熵：

ce = C.negate(C.reduce_sum(C.element_times(target, C.log(prediction)), axis=-1))

【讨论】：

太好了！我正在努力弄清楚如何将权重添加到您提供的示例中。我正在考虑创建 NxN 个 error_weights 数组，其中 N 是类数。但是，我不确定如何使用 error_weights、ResNet 模型、z 和输入 label_var 来创建有效的损失，这类似于 cross_entropy_with_softmax(z, label_var)。可以给我一些简单的示例代码或一些我可以遵循的方向吗？谢谢！
如果我可以从模型 z 中获取输出，我想我可以在下面创建方法。反正有没有从模型中得到预测？ def my_criterion(z, target): prediction = get_from_model(z) loss = calculate_loss_with_weights(prediction, target) return loss